Искусственный интеллект — обширная тема. Фактически, у него буквально бесконечное количество суб-предметов и значимо связанных предметов. В этой статье кратко обсуждаются некоторые основы, такие как машинное обучение, глубокое обучение, искусственные нейронные сети и алгоритмы.
Что такое искусственный интеллект (ИИ)?
Основной и часто определяющей целью искусственного интеллекта является разработка мыслящих машин, в первую очередь комбинаций компьютера и программного обеспечения, которые могут думать так же хорошо, как люди, или лучше. Эти мыслящие машины должны иметь входные данные для размышлений, способность обрабатывать указанные входные данные заданным способом или алгоритмами и желаемый полезный результат. Мы хотим, чтобы эти мыслящие машины были разумными, как разумны люди. И в этом загвоздка. Что такое человеческий интеллект? Сколько существует типов человеческого интеллекта? Если мы не можем ответить на эти вопросы о природе человеческого интеллекта, как мы можем ответить на наши вопросы о природе искусственного интеллекта?
Ввод, обработка и вывод
Чтобы ответить на упомянутые ранее вопросы, касающиеся человека и искусственного интеллекта, давайте рассмотрим некоторые из психических функций человека, которые повсеместно признаны показателями человеческого интеллекта, и, насколько это возможно, определим соответствующие функции, на которые способны Думающие машины.
И мыслящие машины, и люди должны иметь входные данные для размышлений, способность обрабатывать указанные входные данные алгоритмически предписанным способом, а также способность сообщать или предпринимать действия в результате обработки или вывода информации. И мыслящие машины, и люди могут выполнять эти требования в разной степени.
Ввод информации
Входные данные поступают в виде информации. Чтобы ввести информацию в интеллектуальную сущность, будь то человек или машина, сущность должна обладать способностью воспринимать. Для восприятия есть два обязательных компонента. Первое — это способность чувствовать. У человека пять чувств: слух, зрение, обоняние, вкус и осязание. В результате блестящей работы человека машины теперь также могут использовать те же пять органов чувств, даже несмотря на то, что им не хватает человеческих органов — ушей, глаз, носа, языка и кожи. Как это было достигнуто, будет предметом будущего Linux Hint AI Essay.
Второй — способность понимать то, что ощущается. Очевидно, что люди в определенной степени обладают такой способностью. Интеллектуальные машины, в некоторой степени, теперь обладают такой же способностью. Вот некоторые примеры способности машин понимать то, что они чувствуют:
Распознавание изображений, распознавание лиц, распознавание речи, распознавание объектов, распознавание образов, распознавание рукописного ввода, распознавание имен, оптическое распознавание символов, распознавание символов и распознавание абстрактных понятий.
Обработка информации
Опять же, очевидно, что люди в определенной степени могут обрабатывать информацию.
Мы делаем это весь день, каждый день. Правда, иногда мы делаем плохую работу, а иногда находим ее невозможной. Но справедливо сказать, что мы это делаем. А как насчет мыслящих машин? Что ж, когда дело доходит до обработки информации, они мало чем отличаются от людей. Иногда Думающие машины делают это хорошо, а в других случаях они портят это или считают, что это невозможно. В их неудачах нет их вины. Это наша вина, как людей. Если мы предоставляем им неадекватные или неточные данные, неудивительно, что их результаты неудовлетворительны. Если мы даем им задачу, к которой мы их не подготовили, мы можем ожидать, что они испортят ее или просто сдадутся.
Неудачи мыслящих машин в результате того, что люди предоставили им неверные данные, заслуживают небольшого обсуждения. Мусор на входе, мусор на выходе. И наоборот, правильно подготовить наши мыслящие машины к задачам, которые мы им даем для выполнения, — это чрезвычайно обширная и сложная тема. Это эссе предоставит читателю элементарное обсуждение предмета. Более подробные обсуждения правильного ввода будут рассмотрены в следующих статьях Linux Hint AI Essays.
У нас есть выбор, подготовить ли мы наши мыслящие машины к решению одной задачи или к целому ряду сложных задач. Ориентация на одну задачу известна как слабый или узкий искусственный интеллект. Ориентация на сложную задачу известна как сильный или общий искусственный интеллект. Преимущества и недостатки каждой ориентации очевидны.
Ориентация на узкий интеллект требует меньших затрат на программирование и позволяет мыслящей машине работать лучше при выполнении данной задачи, чем машина, ориентированная на общий интеллект. Ориентация на общий интеллект требует больших затрат на программирование и позволяет мыслящей машине выполнять множество сложных задач. Если мыслящая машина готова обрабатывать множество сложных аспектов одного предмета, такого как распознавание речи, она представляет собой гибрид как узкого, так и общего искусственного интеллекта.
Вывод информации
Искусственный интеллект нельзя считать эквивалентом или даже похожим на человеческий интеллект, если он не может производить желаемый полезный результат. Выходные данные могут передаваться в любой из многочисленных форм, включая, помимо прочего, письменный или устный язык, математику, графики, диаграммы, таблицы или другие форматы. В качестве альтернативы желаемый полезный результат может быть в форме выполняемых действий. Примеры этого включают, но не ограничиваются этим, беспилотные автомобили, а также активацию и управление перемещениями заводских машин и роботов.
Платформы искусственного интеллекта
Платформы искусственного интеллекта моделируют когнитивные функции, выполняемые человеческим разумом, такие как решение проблем, обучение, рассуждение, социальный интеллект и общий интеллект. Платформы — это комбинация аппаратного и программного обеспечения, позволяющая запускать алгоритмы ИИ. Платформы AI могут поддерживать оцифровку данных. Некоторые популярные платформы AI включают: Azure, Cloud Machine Learning Engine, Watson, ML Platform Services, Leonardo Machine Learning и Einstein Suite.
Почти все ведущие технологические компании активно работают в области искусственного интеллекта. Несколько примеров: Apple, Google, Facebook, IBM, Nvidia, IBM, Salesforce, Alibaba, Microsoft и Amazon.
Машинное обучение
Что такое машинное обучение?
Машинное обучение — это разновидность искусственного интеллекта. Основная идея состоит в том, что мыслящие машины могут учиться в значительной степени самостоятельно. Введите соответствующие данные или информацию, и с помощью соответствующих алгоритмов можно распознать шаблоны и получить желаемый полезный результат. По мере ввода и обработки данных Машина «учится».
Сила и важность машинного обучения и его подмножества Deep Learning экспоненциально возрастают из-за нескольких факторов:
- Бурный рост доступных полезных данных
- Быстро снижающиеся затраты и увеличивающаяся возможность хранения больших данных и доступа к ним.
- Разработка и использование все более сложных алгоритмов
- Постоянное развитие все более мощных и менее дорогих компьютеров.
Типы алгоритмов машинного обучения
Обучение с учителем: Машина обучается, предоставляя ей как ввод, так и правильный ожидаемый результат. Машина учится, сравнивая свои выходные данные, полученные в результате его программирование, с предоставлением точного вывода. Затем Машина соответствующим образом корректирует свою обработку.
Узнайте больше об отраслях, использующих эту технологию
Неконтролируемое обучение: Машина не обучается путем предоставления ей правильных выходных данных. Машина должна выполнять такие задачи, как распознавание образов, и, по сути, она создает свои собственные алгоритмы.
Усиленное обучение: Машине предоставлены алгоритмы, которые методом проб и ошибок определяют, что работает лучше всего.
Языки для машинного обучения
Безусловно, самым популярным языком для машинного обучения является Python. Другие языки, которые
менее популярны, но часто используются R, Java, JavaScript, Julia и LISP.
Алгоритмы машинного обучения
Другой раздел этого эссе посвящен алгоритмам. Конкретные алгоритмы будут подробно рассмотрены в последующих эссе с подсказками по Linux. Здесь мы просто перечисляем некоторые наиболее часто используемые алгоритмы машинного обучения: линейная регрессия, логистическая регрессия, SVM, наивный байесовский метод, K-средние, случайный лес и дерево решений.
Глубокое обучение и нейронные сети
Ключевые факты глубокого обучения
- Глубокое обучение — это машинное обучение на стероидах.
- Глубокое обучение широко использует нейронные сети для выявления сложных и тонких закономерностей в огромных объемах данных.
- Чем быстрее компьютеры и чем объемнее данные, тем выше производительность глубокого обучения.
- Глубокое обучение и нейронные сети могут выполнять автоматическое извлечение функций из необработанных данных.
- Глубокое обучение и нейронные сети делают основные выводы непосредственно из необработанных данных. Затем первичные выводы синтезируются на вторичный, третичный и дополнительный уровни абстракции, если требуется, для решения обработки больших объемов данных и решения все более сложных задач. Эта обработка и анализ данных (глубокое обучение) выполняется автоматически с широким использованием нейронных сетей и без значительной зависимости от вмешательства человека.
- За последние десятилетия: 1. Огромные улучшения в вычислительной мощности и скорости, 2. Доступность ранее невообразимых объемов больших данных, 3. Достижения в обработке, анализе и хранении данных, и 4. Использование облака и Интернет — Глубокое обучение на сегодняшнем уровне производительности было бы практически невозможно.
IQ глубоких нейронных сетей может равняться и превосходить самый высокий IQ человека
Глубокие нейронные сети имеют несколько уровней узлов обработки. По мере увеличения уровней узлов совокупным эффектом является возрастающая способность Думающих машин формулировать абстрактные представления. Все тесты IQ — это, по сути, методы измерения способности человека к абстрактным рассуждениям.
Глубокое обучение использует несколько уровней представления, достигаемых путем организации нелинейной информации в представления на заданном уровне, которые, в свою очередь, преобразуются в более абстрактные представления на следующем высшем уровне. Более высокие уровни не разрабатываются людьми, а изучаются мыслящими машинами на основе данных, обрабатываемых на более низких уровнях.
Глубокое обучение против машинного обучения
Для обнаружения отмывания денег или мошенничества традиционное машинное обучение может полагаться на один фактор, такой как сумма в долларах и частота транзакций человека, в то время как глубокое обучение может включать дополнительные факторы, такие как время, местоположение и IP-адрес. Первый уровень обнаружения мошенничества с использованием нейронных сетей может быть сосредоточен на одном факторе необработанных данных, таком как долларовые суммы транзакций. Затем первый уровень анализа передается на второй уровень обработки, который может сосредоточиться на IP-адресе пользователя. es. Затем продукт второго уровня обработки может быть передан на более высокий уровень, который фокусируется на дополнительной индикации потенциального мошенничества и так далее. Этот процесс позволяет машине учиться в процессе и улучшает распознавание образов машины до получения окончательного результата. Мы используем термин «глубокое обучение», потому что нейронные сети могут иметь множество глубоких уровней , улучшающих обучение.
Примеры использования глубокого обучения
Виртуальные онлайн-помощники, такие как Alexa, Siri и Cortana, используют Deep Learning для понимания человеческой речи. Алгоритмы глубокого обучения автоматически переводят между языками. Глубокое обучение позволяет, среди прочего, разрабатывать беспилотные грузовики для доставки, дроны и автономные автомобили. Глубокое обучение позволяет чат-ботам и сервис-ботам разумно отвечать на слуховые и текстовые вопросы. Машинное распознавание лиц невозможно без глубокого обучения. Фармацевтические компании используют Deep Learning для открытия и разработки лекарств. Врачи используют Deep Learning для диагностики заболеваний и разработки режимов лечения.
Алгоритмы
Что такое алгоритмы?
Алгоритм — это процесс — набор пошаговых правил, которым необходимо следовать при расчетах или других методах решения проблем.
Типы алгоритмов
Типы алгоритмов включают, но не ограничиваются следующим:
- Простые рекурсивные алгоритмы
- Алгоритмы обратного отслеживания
- Алгоритмы разделяй и властвуй
- Алгоритмы динамического программирования
- Жадные алгоритмы
- Алгоритмы ветвей и границ
- Алгоритмы грубой силы
- Рандомизированные алгоритмы
Обучение нейронных сетей
Нейронные сети необходимо обучать с использованием алгоритмов. Алгоритмы, используемые для обучения нейронных сетей, включают, но не ограничиваются следующим: градиентный спуск, метод Ньютона, сопряженный градиент, метод квази-Ньютона и метод Левенберга-Марквардта.
Вычислительная сложность алгоритмов
Вычислительная сложность алгоритма — это мера количества ресурсов, которые используют данный алгоритм. Доступны математические меры сложности, которые могут предсказать, насколько быстро он будет работать, и сколько вычислительной мощности и памяти ему потребуется до использования алгоритма. Использование одних алгоритмов требует больше, чем других. В некоторых случаях требуемая сложность указанного алгоритма может быть настолько велика, что его использование становится непрактичным. Таким образом, можно использовать эвристический алгоритм, который дает приблизительные результаты.
Заключение
Искусственный интеллект в своей концепции имеет огромные устремления. На практике приложения более скромные и используются сегодня. Машинное обучение — это простой шаг вперед в области искусственного интеллекта, но только будущее откроет весь потенциал этой технологии.